Em resumo : A versão 1.7 do Scikit-learn introduz melhorias na usabilidade, compatibilidade e eficiência para aprendizado de máquina em Python.
Scikit-learn, biblioteca open source essencial para ML em Python, continua a evoluir com a versão 1.7 lançada no dia 5 de junho. Esta atualização reforça a ergonomia, a compatibilidade com outras ferramentas e a eficiência dos fluxos de trabalho de aprendizado de máquina.
Melhorias e novas funcionalidades
Visualização HTML aprimorada dos estimadores
A representação HTML no Jupyter agora exibe a lista completa de parâmetros, destacando aqueles que diferem dos valores padrão. Um botão facilita a cópia dos nomes totalmente qualificados, acelerando a configuração dos pipelines aninhados e a busca de hiperparâmetros.
Validação personalizada para Gradient Boosting baseado em histograma
Os modelos HistGradientBoosting agora podem receber um conjunto de validação explícito (
X_val, y_val, sample_weight_val) através do método .fit() para melhor calibrar a parada antecipada. Essa capacidade refina o gerenciamento de sobreajuste, mas depende do sistema de roteamento de metadados (enable_metadata_routing=True ), ainda pouco utilizado.Visualização ROC nativa a partir de resultados cruzados
O novo método
from_cv_results() para RocCurveDisplay permite gerar automaticamente várias curvas ROC a partir dos resultados de validação cruzada (cross_validate). Esta funcionalidade simplifica a análise comparativa dos modelos e integra diretamente o diagnóstico visual nos fluxos de trabalho de machine learning, sem a necessidade de ferramentas de terceiros.Compatibilidade ampliada com a API Array
Várias métricas (e.g.,
fbeta_score, explained_variance_score) agora aceitam estruturas de dados compatíveis com a API Array (notadamente provenientes de PyTorch ou CuPy). O módulo array-api-compat é integrado nativamente.Atualizações do Perceptron multicamada
O Perceptron multicamada agora integra a perda de Poisson, além da perda squared_error padrão. Ele também suporta pesos de amostra, melhorando sua flexibilidade para várias aplicações.
Migração para matrizes esparsas
Todos os estimadores que aceitam em entrada as matrizes esparsas clássicas (
scipy.sparse), agora aceitam as novas matrizes esparsas (sparray), preparando a transição em curso do SciPy.Instalação
A nova versão pode ser instalada via pip: pip install --upgrade scikit-learn
ou com conda: conda install -c conda-forge scikit-learn